Resultados e Discussões

Com o objetivo de multiplicar o número de descendentes de um animal com alto valor genético, as técnicas de superovulação consistem em submeter uma fêmea a um tratamento hor-

monal, com a finalidade de produzir mais oócitos em um único estro. Após a superovulação da vaca, essa passa pelo procedimento de inseminação artificial em tempo fixo (IATF), que é con- siderada uma biotecnologia reprodutiva capaz de promover o aumento dos índices reprodutivos, desempenhando efeito significativo sobre a eficiência bioeconômica nas propriedades com ativi- dades pecuárias (Goncalves et al., 2001). O aumento do número de descendentes obtidos por meio das biotecnologias viabiliza melhores definições quanto aos padrões genéticos dos animais e promove avaliações das diferentes progênies (Carvalho et al., 2019).

Como abordado na subseção 3.2.1, das 1483 vacas registradas no protocolo reprodutivo, 965 mostraram resposta de prenhez. Assim, na Figura 3.1a tem-se uma representação gráfica referente ao número de vacas prenhes, considerando cada fazenda por estações do ano.

Observa-se que os rebanhos das propriedades Ipê e Petrópolis estão estabilizados, ou seja, com número equilibrado de animais em processo de lactação. Ademais, devido à manu- tenção contínua de leite, os produtores realizam planejamentos das parições entre as estações (primavera/verão/outono), visto que nessas épocas não ocorrem grandes variações na proporci- onalidade do número de prenhez. O mesmo comportamento pode ser notado na fazenda Morro Grande, porém esta ainda encontra-se em processo de estabilização de rebanho, sendo, aproxi- madamente, 15% do plantel em lactação. Por outro lado, a propriedade Praia Vermelha, expôs baixas quantidades de fêmeas nessa condição de prenhez, provavelmente pela elevada renovação do rebanho, ocasionando uma redução do plantel de vacas adultas e aumentando o número de fêmeas novilhas, causando uma sub-estimação das médias no que diz respeito ao número de vacas prenhes na fazenda.

A ausência de observações na estação do inverno é justificada por ser um período que apresenta menores ofertas de alimentos com boa qualidade. Além disso, elevadas pressões climáticas podem intensificar o surgimento de doenças respiratórias principalmente nas crias.

Ao analisar apenas a variável resposta, observa-se que houve cruzamentos que apre- sentaram mais de uma repetição; isso ocorre devido ao interesse da fazenda em multiplicar os animais de maior interesse, seja por motivos comerciais ou reprodutivos (Figura 3.1b). Em geral, a taxa média de serviços (número de inseminações realizadas) é acima de três. Assim, elevadas repetições de IA, devem ser analisadas com cautela, uma vez que animais com predisposição à problemas de eficiência reprodutiva devem ser descartados do sistema.

No estudo trabalhou-se com 3 categorias de animais, tais como, novilhas (vacas que estavam em reprodução pela primeira vez); em leite (animais que já pariram e encontram-se em estágio de lactação com até 6 meses de prenhez); vacas secas (fêmeas que estão no período final de gestação, aproximadamente, nos 3 últimos meses e que foram retiradas do processo de lactação para descanso do aparelho mamário, viabilizando o animal receber nova gestação).

Outono: 16.17% Primavera: 16.79% Verão: 16.17% Outono: 4.87% Primavera: 4.35% Verão: 4.25% Outono: 10.88% Primavera: 12.33% Verão: 10.98% Outono: 0.52% Primavera: 0.62% Verão: 2.07% Ipê Morro grande Petrópolis Praia Vermelha (a) 0 10 20 0 10 20 30

Quantidade de vacas prenhes

Repetições

(b)

Figura 3.1. Dados de IA: a) Percentuais de vacas prenhes observados em três estações do ano

(Verão/primavera/outono), por propriedade avaliada; e b) Dispersão da quantidade de vacas prenhes por número de repetições de cada cruzamento

Na Figura 3.2A, tem-se que as fêmeas que estavam em lactação, aparentemente, apre- sentaram melhores desempenhos quanto aos resultados de prenhez, uma vez que essa categoria apresentou maiores valores médios de prenhez. No entanto, ao comparar as vacas lactantes com as secas, nota-se que não houve um bom desempenho dessa última ao estímulo reprodutivo.

Embora as fazendas empreguem os mesmos protocolos reprodutivos, encontra-se na Figura 3.2B uma variabilidade entre os comportamentos dessas que sugestionou maiores resul- tados de prenhez nas fazendas Ipê e Petrópolis. Pode-se verificar na Figura 3.2C que, ao realizar inseminações artificiais em vacas secas e lactantes na época do verão, não obtêve-se bons resul- tados. De acordo com Sartori et al. (2002), vacas em lactação têm um aumento na temperatura corporal em resposta ao estresse térmico, principalmente na época do verão.

2 4 6

IPE MORRO_GRANDE PETROPOLIS PRAIA_VERMELHA Fazenda

Nº médio de v

acas prenhes

Estatus Em Leite Novilha Seca

A

0 10 20 30

IPE MORRO_GRANDE PETROPOLIS PRAIA_VERMELHA Fazendas Nº de v acas prenhes B 0 10 20 30

Inverno Outono Primavera Verao Estações do ano Nº de v acas prenhes Estatus Em Leite Novilha Seca C

Figura 3.2. Dados de IA: (A); Número médio de vacas prenhes, por fazenda, considerando os

estágios de vida das vacas receptoras; (B) Boxplot do número de vacas prenhes por fazenda; (C) Boxplot do número de vacas prenhes por estações do ano e estágios de vida da vaca receptora. Pontos em azul evidenciam valores discrepantes

As interpretações acerca dos coeficientes de correlação entre as variáveis observadas devem ser cautelosas, uma vez que esses valores podem fornecer números que não condizem com a realidade. De acordo com Gujarati e Porter (2011), essas medidas de associação entre duas variáveis são quantificadas na presença de um ou mais fatores, o que acarretará influências nos coeficientes. Um coeficiente mais confiável seria a correlação parcial, pois essa associação elimina todas as possíveis influências externas, informando de fato se há dependência. Desse modo, na Figura 3.3A têm-se as correlações parciais entre as covariáveis quantitativas em es- tudo. Observou-se também uma relação negativa e significativa entre os números de lactações e inseminações artificiais, ou seja, à medida que há mais vacas lactantes, as fazendas diminuíram o número de inseminações. Uma relação esperada seria a associação positiva e significativa entre as variáveis Leite Maior e número de lactações, pois quando a vaca está em condição de prenhez essa terá um aumento quanto à sua produção leiteira (Figura 3.3B). Para avaliar as possíveis influências nos resultados de prenhez em vacas holandesas, foi inicialmente ajustado o modelo Poisson apenas com as variáveis de efeito fixo (Subseção 3.2.2). De acordo com Ross (2009), a distribuição de Poisson tem a pressuposição da taxa de ocorrência constante. No entanto, a estimativa do parâmetro de dispersão ˆϕ = 2, 81 foi muito maior que a esperada pelo modelo,

o que evidencia superdispersão. Uma explicação plausível para a fenômeno ocorrido deve-se ao fato da falta de mesma probabilidade para que todas as vacas fiquem prenhes, pois cada indivíduo tem características genéticas distintas, além disso, fatores ambientais também podem ocasionar a variabilidade encontrada. Nesse contexto, têm-se os demais modelos de efeitos fixos, em que de acordo com a verificação da qualidade do ajuste nota-se que o modelo PIG foi o que apresentou menor estimativa do GAIC, sendo esse o considerado como mais adequado dentre essas classes de modelos (Tabela 3.1).

−0.15 0.14 −0.03 −0.01 0.14 0.29 0.2 0.62 0.62 0.97 (−0.17) (0.42**) (−0.04) (−0.05)* (0.23)** (0.43)** (−0.40)** (0.00) (0.18)* (0.96)** Prenhez Ia L.Maior Idade

Ia L.Maior Idade Lact

−1.0 −0.5 0.0 0.5 1.0 Corr A −1.0 −0.5 0.0 0.5 1.0 1.5 −10000 0 10000 20000

Leite Maior Residuos

Nº Lactação Residuos

B

Figura 3.3. Dados de Inseminação Artificial - IA: A) Gráfico das correlações simples (em preto)

e parciais (vermelho - correlação negativa, azul - correlação positiva); B) Gráfico dos resíduos entre Leite Maior e Número de Lactação, com uma reta de regressão linear

Tabela 3.1. Tabela resumo das estimativas dos parâmetros com os respectivos erros-padrão

(SE), para os modelos apenas de efeitos fixos propostos

Parâmetros PO (SE) DEL (SE) DPO (SE) SICHEL (SE) PIG (SE)

β0 1.8968 (0.1574)∗∗∗ 1.8927 (0.2027)∗∗∗ 1.8995 (0.2799)∗∗∗ 1.6543 (0.2967)∗∗∗ 1.6684 (0.2734)∗∗∗ β11 −0.6535 (0.0993)∗∗∗ −0.3402 (0.1286)∗∗ −0.6812 (0.1827)∗∗∗ −0.5982 (0.1818)∗∗ −0.6081 (0.1650)∗∗∗ β13 −0.3998 (0.0790)∗∗∗ −0.1536 (0.1227) −0.4108 (0.1109)∗∗∗ −0.3067 (0.1375)∗ −0.3162 (0.1380)∗ β14 −1.1106 (0.1983)∗∗∗ −0.4142 (0.2313) −1.2547 (0.6127)∗ −0.9652 (0.4167)∗ −0.9743 (0.2857)∗∗∗ β21 0.2424 (0.0755)∗∗ 0.2085 (0.1141) 0.2514 (0.1014)∗ 0.1896 (0.1314) 0.1931 (0.1356) β22 −0.9025 (0.1585)∗∗∗ −0.9120 (0.1876)∗∗∗ −0.9928 (0.5615) −0.8250 (0.4006)∗ −0.8190 (0.2303)∗∗∗ β23 0.1117 (0.1004) 0.4190 (0.1574)∗∗ 0.1230 (0.2014) 0.1979 (0.2023) 0.1914 (0.1694) β31 0.0010 (0.1444) 0.0164 (0.2753) 0.1033 (0.2815) 0.1014 (0.2486) β33 −0.5955 (0.1004)∗∗∗ −0.7261 (0.1259)∗∗∗ −0.6273 (0.2034)∗∗ −0.5875 (0.2055)∗∗ −0.5896 (0.1706)∗∗∗ β4 −0.0806 (0.0188)∗∗∗ −0.0607 (0.0235)∗ −0.0873 (0.0371)∗ −0.0561 (0.0350) −0.0577 (0.0305) β5 0.0000 (0.0000)∗∗∗ 0.0000 (0.0000)∗∗∗ 0.0000 (0.0000)∗ 0.0000 (0.0000)∗ 0.0000 (0.0000)∗∗ β6 −0.0457 (0.0413) −0.1769 (0.0449)∗∗∗ −0.0484 (0.0814) −0.0159 (0.0849) −0.0179 (0.0729) log(σ0) −0.8861 (0.5209) 0.9985 (0.0828)∗∗∗ −0.7469 (0.2179)∗∗∗ −0.7776 (0.1828)∗∗∗ ν −2.3746 (2.2867)(∗) −1.2017 (1.7964) N.O 219 219 219 219 219 GAIC 1254.0791 1406.1955 1118.2114 1057.7249 1055.8701

Significâncias (∗∗∗p < 0.001,∗∗p < 0.01,∗p < 0.05); N.O (número de observações); logit(ν) em (*)

Devido às estruturas de correlações e diversas fontes de variações presentes nos dados, foram propostos os modelos de efeito aleatório no preditor linear a nível de touro (Tabela 3.2). A identificação da variabilidade presente nas fazendas estudadas serviu para modelar não apenas o parâmetro da média da distribuição assumida, mas também a dispersão. Nesse contexto, ao ajustar o modelo DPO, que considerou diferentes dispersões por fazenda, percebe-se que o ajuste apresentou um GAIC inferior aos demais modelos, indicando que por mais ajustado que esteja a dispersão, não é necessário a inclusão de mais parâmetros, uma vez que os demais ajustes sem esse efeito propiciaram melhores desempenhos no que tange a modelagem, visto que o critério da qualidade de ajuste foi melhor.

As avaliações dos modelos Sichel, PIG e Delaporte mostraram comportamentos simi- lares quanto ao GAIC, contudo, o último foi o que apresentou menor valor. Adicionalmente, ao analisar os componentes de variância dos ajustes, observa-se que o Delaporte foi o que con- seguiu captar maior variabilidade relacionada ao efeito aleatório de touro, isto é, proporcionou uma redução da variabilidade residual, que agora será decomposta em parte ao acaso e parte referente ao animal doador do sêmen.

Dessa forma, por mais que se tenha uma consistência quanto às significâncias dos efeitos estimados nos diferentes modelos, ao observar o worm plot, percebe-se que o ajuste do modelo Delaporte foi o mais indicado, visto que a sua adequação é verificada quando os pontos no gráfico se encontram em linha reta e a forma de “worme” não é detectada, indicando que os dados não diferem dos valores preditos pelo modelo sob a distribuição teórica (Figure 3.4).

Assim, conforme a avaliação do modelo escolhido, pode-se dizer que houve indícios de que o estágio de vida da vaca foi significativo no resultado de prenhez. A utilização de novilhas como gestoras no protocolo de superovulação é comum, uma vez que essa categoria apresenta uma taxa gestacional variando entre 10% e 23% (Hasler, 2014). Entretanto, os efeitos estimados mostraram que tanto as novilhas quanto as lactantes apresentaram desempenhos similares, ou

seja, assim como encontrado no trabalho de Demetrio et al. (2007), usar fêmeas novilhas ou lactantes se têm os mesmos resultados no que diz respeito ao número de prenhez. Por outro lado, nota-se que ao usar vacas secas houve uma redução na quantidade de vacas prenhes.

Tabela 3.2. Tabela resumo das estimativas dos parâmetros com os respectivos erros-padrão

(SE), para os modelos com efeito aleatório propostos

Parâmetros DPO (SE) DEL (SE) SICHEL (SE) PIG (SE)

β0 1.8188 (0.2398)∗∗∗ 1.6655 (0.2906)∗∗∗ 1.6900 (0.2887)∗∗∗ 1.6684 (0.2781)∗∗∗ β11 −0.6134 (0.1358)∗∗∗ −0.5703 (0.1798)∗∗ −0.5806 (0.1742)∗∗ −0.6085 (0.1651)∗∗∗ β13 −0.3270 (0.1243)∗∗ −0.3412 (0.1357)∗ −0.3346 (0.1328)∗ −0.3159 (0.1381)∗ β14 −1.2916 (0.1865)∗∗∗ −0.9738 (0.4263)∗ −0.9735 (0.4070)∗ −0.9762 (0.2860)∗∗∗ β21 0.2021 (0.0996)∗ 0.1436 (0.1287) 0.1899 (0.1270) 0.1929 (0.1356) β22 −1.0853 (0.5305)∗ −0.8006 (0.3741)∗ −0.8212 (0.3719)∗ −0.8440 (0.2308)∗∗∗ β23 0.1580 (0.1852) 0.2056 (0.1979) 0.2116 (0.1946) 0.1914 (0.1699) β31 −0.1844 (0.2276) 0.1050 (0.2739) 0.0641 (0.2735) 0.1010 (0.2561) β33 −0.6627 (0.1768)∗∗∗ −0.5829 (0.2032)∗∗ −0.5844 (0.1979)∗∗ −0.5900 (0.1708)∗∗∗ β4 −0.0259 (0.0258) −0.0534 (0.0342) −0.0571 (0.0344) −0.0577 (0.0306) β5 0.0001 (0.0001) 0.0001 (0.0001)∗ 0.0001 (0.00001)∗ 0.0001 (0.0001)∗∗ β6 0.0118 (0.0698) −0.0026 (0.0806) −0.0167 (0.0827) −0.0177 (0.0739) log(σ) 1.5311 (0.1433)∗∗∗ 0.3483 (0.2147) −0.7335 (0.2708)∗∗ −0.7780 (0.1826)∗∗∗ log(σ1) −1.1628 (0.2381)∗∗∗ log(σ3) −0.6677 (0.2380)∗∗ log(σ4) −2.5245 (0.3089)∗∗∗ µ −0.0000 (0.0436) 0.0009 (0.0664) −0.0091 (0.0641) −0.0000 (0.0572) σ2 t 0.0000 0.1632 0.1553 0.0002 ν −0.3120 (0.2039)(∗) −2.1727 (1.2360) N.O 219 219 219 219 GAIC 1090.7320 1053.7933 1056.7400 1055.8715

Significâncias (∗∗∗p < 0.001,∗∗p < 0.01,∗p < 0.05); N.O (Número de observações) σisendo a i-ésima dispersão por fazenda; logit(ν) em (*)

Possíveis explicações para os valores que se encontram fora da linha de referência do gráfico de resíduo (Figura 3.4) podem ter sido ocasionados pelos erros não controlados inerentes ao estudo observacional. Existem variações externas que podem estar influenciando nos resulta- dos de prenhez, por exemplo, a recuperação dos sêmens, que foi realizada de forma não cirúrgica, acarretando variações relacionadas ao profissional que irá conduzir o procedimento, uma vez que a capacidade técnica do inseminador de reconhecer a correta detecção do estro, pode induzir o sistema reprodutório da fêmea. Além disso, fatores quanto às condições de transporte dos em- briões realizado em filtros e locais, mesmo com ambientes propícios para a eficiência reprodutiva, podem acarretar variações amostrais (Demetrio et al., 2007).

Existem diferentes protocolos de sincronização de estro com vantagens e desvantagens para cada protocolo mas o ponto crítico em relação à sincronização da fêmea é que o momento do estro deverá coincidir com o tempo de inseminação da vaca, assim esses animais terão um am- biente uterino mais preparado para a inseminação artificial (Pereira et al., 2017). Nesse sentido, a falta de sincronizações do estro das fêmeas também reduzirá grandemente a probabilidade da gravidez ser estabelecida, ou seja, promovendo menores quantidades de prenhez e atribuindo aos resíduos pontos discrepantes.

Figura 3.4. Dados de TE: Warm plot para os modelos de efeito aleatório A) doubler; B)

Delaporte; C) Sichel; D) PIG

Baseado nos efeitos que foram significativos no modelo Delaporte de efeito aleatório, tem-se os coeficientes estimados apresentados na Tabela 3.3.

Tabela 3.3. Tabela resumo das estimativas dos parâmetros com os respectivos erros-padrão

(SE), para o modelo Delaporte com efeito aleatório Parâmetros DEL (SE)

β0 1.5340 (0.2311) β11 −0.5720 (0.1701) β13 −0.2667 (0.1382) β14 −1.0881 (0.2790) β21 0.1298 (0.1360) β22 −0.8050 (0.2436) β23 0.2262 (0.1706) β31 0.1100 (0.2136) β33 −0.6070 (0.1701) β5 0.0001 (0.0001) σ 0.3360 (0.4436) ν −0.4573 (0.4243) µ −0.0008 (0.0627) σ_t2 0.0991 N.O 219 GAIC 1053.8475

N.O (número de observações)

3.4 Conclusão

A metodologia GAMLSS permite escolher várias funções de ligação para os efeitos das variáveis preditoras sobre a variável dependente. Conforme mostrado nesse trabalho, houve uma consistência entre as significâncias nos modelos, o que acredita ser indícios de concordância entre a prática e os resultados apresentados aqui. Assim, foram modelados diferentes estruturas

de preditores lineares do parâmetro de dispersão e verificado que a inclusão das dispersões por fazendas não foram interessantes, visto que o modelo não teve bom ajuste dos resíduos.

Na presença de estruturas de correlação e o fenômeno da superdispersão, incluiu-se o efeito aleatório de touro no preditor linear para tentar captar essa variabilidade extra, sendo considerado o modelo Delaporte como mais adequado, pois além de contemplar o ajuste da média, dispersão e assimetria presente nos dados, esse se mostrou de forma satisfatória quanto às análises de diagnóstico.

No sentido prático, pode-se concluir que os fatores que influenciaram no resultado de prenhez foram a estação do ano, estágio de vida da vaca, produtividade leiteira e as fazendas.

Referências

Carvalho, J. S., Cavalcanti, M. O., Chaves, M. S., e Rizzo, H. (2019). Eficiência da inseminação artificial em tempo fixo em fêmeas zebuínas na mesorregião sudeste do pará, brasil. Revista

de Ciências Agrárias Amazonian Journal of Agricultural and Environmental Sciences, 62.

Demetrio, D., Santos, R., Demetrio, C., e Vasconcelos, J. L. M. (2007). Factors affecting conception rates following artificial insemination or embryo transfer in lactating holstein cows.

Journal of Dairy Science, 90(11):5073–5082.

Draper, N. R. e Smith, H. (1981). Applied regression analysis 2nd ed.

Goncalves, P. B. D., de FIGUEIREDO, J., e de F.(Ed.) FREITAS, V. (2001). Biotécnicas

aplicadas à reprodução animal. Livraria Varela.

Gujarati, D. N. e Porter, D. C. (2011). Econometria Básica-5. Amgh Editora.

Hasler, J. F. (2014). Forty years of embryo transfer in cattle: A review focusing on the jour- nal theriogenology, the growth of the industry in north america, and personal reminisces.

Theriogenology, 81(1):152–169.

Hastie, T. e Tibshirani, R. (1990). Exploring the nature of covariate effects in the proportional hazards model. Biometrics, pages 1005–1016.

Hinde, J. e Demétrio, C. G. (1998a). Overdispersion: models and estimation. Computational

statistics & data analysis, 27(2):151–170.

Hoffmann, R. (2006). Análise de Regressão - Uma Introdução a Econometria. Hucitec, S�o Paulo, 4 edition.

Nelder, J. A. e Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal

Statistical Society. Series A (General), 135(3):pp. 370–384.

Pereira, M., Sanches Jr, C., Guida, T., Wiltbank, M., e Vasconcelos, J. (2017). Comparison of fertility following use of one versus two intravaginal progesterone inserts in dairy cows without a cl during a synchronization protocol before timed ai or timed embryo transfer.

Rigby, B. e Stasinopoulos, M. (2009). A flexible regression approach using GAMLSS in R.

Rigby, R., Stasinopoulos, D., Heller, G., e De Bastiani, F. (2017). Distributions for modelling location, scale, and shape: using gamlss in r. URL www. gamlss. org.(last accessed 5 March

2018).

Rigby, R. A. e Stasinopoulos, D. M. (2005). Generalized additive models for location, scale and shape,(with discussion). Applied Statistics, 54:507–554.

Ross, S. (2009). Probabilidade: um curso moderno com aplicaçoes. Bookman Editora.

Sartori, R., Sartor-Bergfelt, R., Mertens, S., Guenther, J., Parrish, J., e Wiltbank, M. (2002). Fertilization and early embryonic development in heifers and lactating cows in summer and lactating and dry cows in winter. Journal of dairy science, 85(11):2803–2812.

Stasinopoulos, M., Rigby, B., Akantziliotou, C., e Voudouris, V. (2005). Generalized additive models for location scale and shape. Journal of the Royal Statistical Society. Series C (Applied

Statistics), 54:507–554.

Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., e De Bastiani, F. (2017).

Flexible regression and smoothing: using GAMLSS in R. Chapman and Hall/CRC.

Tzougas, G. (2014). The Design of an Optimal Bonus-Malus System Based on the Sichel Dis-